기업 침입 대응의 정적 플레이북·분석가 트리아주 지연을 줄이기 위해 Agentra는 IDS·EDR·XDR 경보를 MITRE ATT&CK, D3FEND, NIST CSF 2.0에 맞춘 감시 가능한 다중 에이전트 침입 대응 계획으로 변환하고, Planner–Validator 검토, Moderator 게이트웨이, Action Catalog·위험 점수, 감사 로그로 실행을 통제합니다. 120개 이벤트 평가에서 최적 구성은 FP 인식 IRS F1을 0.61에서 0.84로 높였고, Planner 단독 구성의 과잉 대응 이후 예상 유해 동작률을 정적 OASIS CACAO v2.0 기준선 수준인 0.0%로 되돌렸습니다.
다단계 사이버 공격은 시스템, 네트워크, 브라우저 로그에 걸쳐 발생한다. 이를 탐지하려면 세 소스 전체에 걸친 이벤트를 상관 분석해야 한다. 머신러닝 방법은 이러한 교차 소스 패턴을 학습할 수 있지만, 라벨이 붙은 다중 소스 데이터가 필요하다. 기존 공개 데이터셋은 이를 충족하지 못한다. CICIDS, UNSW-NB15와 같은 네트워크 전용 데이터셋은 호스트 및 브라우저 활동을 포함하지 않는다. LMDG, CICAPT-IIoT와 같은 호스트 중심 데이터셋은 브라우저 텔레메트리가 없다. ATLAS는 세 소스를 모두 포함하지만 이벤트를 악성/정상으로만 라벨링하며, MITRE 적대적 전술·기법 및 공통 지식(MITRE Adversarial Tactics, Techniques, and Common Knowledge, ATT&CK) 기법 수준의 세분화가 없다. 세 소스를 모두 포함하면서 항목별 ATT&CK 기법 라벨을 제공하는 공개 데이터셋은 없다.
우리는 870개 세션(공격 70, 정상 800)과 약 230만 개 이벤트로 구성된 다중 소스 로그 데이터셋을 구축하여 이 간극을 메운다. Windows 엔드포인트에서 시스템, 네트워크, 브라우저 활동을 동시에 수집했다. 악성 이벤트에는 ATT&CK 기법 ID로 라벨을 부여했으며, 12개 전술과 53개 기법을 포함한다. 원격 접근 트로이목마(Remote Access Trojan, RAT), 명령 및 제어(Command and Control, C2) 터널, 클라우드 유출 등 실제 도구를 사용하여 모든 공격 데이터를 생성했다.
학습 가능성을 입증하기 위해, 저랭크 적응(Low-Rank Adaptation, LoRA)을 사용하여 세 가지 소형 언어 모델(Small Language Model, SLM)(Qwen2.5-1.5B, Llama-3.2-3B, Phi-4-Mini)을 미세조정했다. 두 가지 과제—청크 분류 및 ATT&CK 기법 식별—에서 10개 지표에 걸쳐 각 모델을 기본 변형과 비교했다. 미세조정은 모든 지표에서 모든 모델의 성능을 향상시켰다. 청크 분류 정확도는 기본 변형에서 약 8%에서 미세조정 후 90%에서 97% 사이로 상승했다. 기법 식별은 여전히 어려웠으며, 최고의 정확 일치(exact-match) 정확도는 42%였지만, 높은 부분 일치(partial-match) 점수는 모델이 기저 추론의 대부분을 포착했음을 보여준다.
요즘, 상당한 실세계 피해를 일으킬 수 있는 사이버공격의 자율 실행은 선단 AI 시스템이 넘지 말아야 할 핵심 레드라인(red line) 중 하나로 널리 여겨진다. 이 더 넓은 레드라인 시나리오 안에서, 자율 침투는 핵심 기반 능력이자 하위 작업을 나타낸다. 즉, LLM 기반 AI 시스템이 인간 개입 없이 목표 서버에 대해 독립적으로 적대적 작전을 수행하고, 취약점을 식별·이용하여 무단 접근 또는 제어를 획득하는 능력이다. AI 시스템의 자율 침투 능력을 평가하려는 연구가 점점 늘고 있다. 그러나 기존 평가들은 종종 불투명한 방법론을 사용하거나, 비현실적이거나 지나치게 단순화된 침투 테스트 시나리오에 의존하거나, LLM에 과도한 사전 지식과 작업별 안내를 제공하여, 현대 AI 시스템이 더 넓은 고영향 사이버공격 시나리오 내에서 이 핵심 능력을 얼마나 자율적으로 수행할 수 있는지를 정확히 파악하지 못한다. 이러한 한계를 해결하기 위해, 우리는 목표 서버와 에이전트 스캐폴딩(agent scaffolding)의 두 구성 요소로 이루어진 새로운 자율 침투 평가 프레임워크를 구축한다. 구체적으로 목표 서버 측면에서는, 알려진 취약점이 없는 보안 서비스의 수에 따라 두 단계의 목표 환경을 설계한다. Tier 1(보안 서비스 1개)과 Tier 2(보안 서비스 3개)는 취약한 서비스와 함께 배치되며, 총 300개의 목표 서버를 만든다. 한편 에이전트 스캐폴딩은 범용 에이전트 아키텍처를 채택하며, 범용 사이버보안 도구 세트를 갖추되 목표별 사전 지식은 전혀 제공하지 않는다. 우리는 19개의 오픈웨이트 및 독점 LLM을 평가한 결과, 현재 모델들의 침투 성공률이 10.7%에서 69.3%에 이른다는 것을 확인한다. 또한 자율 침투 능력이 전반적인 모델 역량의 향상과 함께 지속적으로 개선되고 있음을 관찰한다.
악성코드는 복잡한 구조와 행동을 나타내므로, 일상생활의 관련 서비스 및 사이버 보안 분야에서 이를 탐지하는 것은 중요한 과제입니다. 따라서 이 문제를 해결하기 위해 신뢰할 수 있고 적응형 솔루션이 필수적입니다. 수년간 개발된 여러 탐지 방법 중 가장 신뢰할 수 있는 방법 중 하나는 악성코드의 구조적 및 행동적 패턴을 연구하고 분석하는 것입니다. 정교한 악성코드의 이러한 패턴은 함수 호출 그래프(FCG)를 통해 얻을 수 있습니다. 그러나 수많은 악성코드 패밀리 그룹을 효과적으로 포괄하려면 시스템이 작동할 수 있는 충분히 큰 데이터셋이 필요합니다. 시스템의 정확성과 견고성을 보장하려면 데이터셋에 다양한 악성코드와 정상 애플리케이션의 샘플이 포함되어야 탐지 프로세스를 안전하게 수행할 수 있습니다. 본 논문에서는 악성코드의 위상 특징이 통합된 향상된 함수 호출 그래프 데이터셋인 AMD-FCG를 소개합니다. 이 프레임워크는 탐지 절차를 개선하여 사이버 보안 전문가의 워크플로우를 간소화하고, 동적 분석과 많은 처리가 필요 없도록 합니다. 따라서 이를 활용하여 더 효율적이고 혁신적인 악성코드 탐지 시스템을 개발하고 배포할 수 있습니다.